基于非密度的数据聚类算法

Question

我正在开发一个聚类分析程序，该程序将一组点 S 作为输入，并用它所属的聚类索引标记每个点。我已经实现了 DBScan 和 OPTICS 算法，它们都按预期工作。 但是，根据 MinPts 和 Epsilon 的初始值，这些算法的结果可能会有很大差异。我已经在网上搜索并阅读了很多关于数据挖掘和聚类分析的论文，但我似乎无法找到一种分析数据的方法，而不需要 MinPts 和 Epsilon 来确定一个点是否在这样的集群中。 我猜基于密度的聚类分析不是我的选择。

有没有人知道或知道我可以使用不需要那种配置的算法？ 或者只是将我指向正确的方向。欢迎任何帮助。

谢谢！

这是我正在尝试完成的一个学校项目，其中我有一组 2D 坐标表示平面上的点，我必须确定每个点属于哪个集群。现在我已经使用 OPTICS 完成了这项工作，它工作正常，但我需要调整 Eps 值，以便我的输出与我给出的示例输出相匹配。但是由于我没有描述主题中的集群是什么，或者它的特征是什么，所以我无法仅基于点之间的距离或给定区域中点的密度。另外，我事先不知道集群的数量，因此我使用了 OPTICS 算法。因此，在我看来，要么我做错了，要么该主题中缺少关键信息。 而且，我不是在寻找任何人来做我的作业或给我任何源代码，只是一些想法或指导，因为我几乎迷失了如何获得数据集示例中给出的确切结果（我也不允许得到任何错误的值，如果我这样做他们认为项目是失败的，所以不能使用具有误差范围的算法。

再次感谢，很抱歉发了这么长的帖子。

Answer 1

一般而言，一组点可以通过多种方式分配给集群（例如，它们可以全部分配给一个大集群，或者分成两个或三个），所以你必须有 一些 em> 参数。

您为什么反对 MinPts 和 Epsilon？如果您不喜欢更改它们时发生的事情，请不要更改它们。认真的。

编辑：
多么奇怪的任务！您的聚类必须与他们的聚类完美匹配，没有其他线索？我将假设他们既不是白痴也不是虐待狂，并做出以下猜测：在示例中，存在明显的“自然”聚类。我对吗？如果是这样，那么我们可以通过编程方式设置参数，作为点集中距离的函数。例子有多少，能发一个吗？

编辑：
哈！我就知道！这里有一条规则可以正确地将这种情况划分为集群：找到任何点到其最近邻居的最大距离，如果任何两个点的距离小于该距离的两倍，则它们属于同一个集群。我敢打赌它也适用于其他情况。

Answer 2

您可以尝试查看其他许多cluster algorithms。您有概率聚类 (EM)、分区聚类 (KMeans)、层次聚类等等……当然，每个都需要不同类型的配置

还请务必尝试 Weka，这是一个包含大量机器学习算法（分类、聚类、预处理等）的开源工具。我相信它为所有提到的algorithms 提供了一个实现（Java）。

---

编辑：确定哪种聚类最好的问题是非常依赖于领域的。这一切都取决于集群如何在您的应用程序上下文中使用，这决定了它们的有用程度（此外，您的数据可能有多个自然集群）。